共查询到20条相似文献，搜索用时 109 毫秒
1.
一种基于特征分类辨识的SAR图像目标检测方法 总被引：5，自引：1，他引：4
该文给出了一种基于特征分类辨识的合成孔径雷达（Synthetic Aperture Radar，SAR）图像目标检测方法。用恒虚警（Constant False Alarm Rate，CFAR）和扩展分形（Extended Fractal，EF）方法对SAR图像进行目标检测后用面积和峰值能量比算子辨识目标和背景杂波，去除一部分虚警，用小波域主成分分析（Principal Component Analysis，PCA）对每个检测窗口内的图像提取特征向量，用支持向量机（Support Vector Machine，SVM）对提取得到的特征向量进行分类，辨识目标和背景杂波，完成目标检测。使用ADTS数据对该方法进行验证和分析，实验结果表明，经过特征分类辨识后，在检测率不变的情况下，虚警数目显著降低。因此，该方法是一种有效的SAR图像目标检测方法。 相似文献
2.
该文引入差分盒维法来计算高分辨率SAR图像车辆目标的一种新的鉴别特征,即间隙度特征,可以用来定量评估车俩目标感兴趣区域内像素幅度的不规则程度和间隙尺寸,以此消除杂波虚警.基丁散射中心理论分析了车辆目标和自然地物后向散射强度分布的差异性,并从理论上推导出间隙度特征具有对相干斑噪声不敏感的特点,由此构成了SAR图像车辆目标鉴别处理的一个尺度不变特征.采用MSTAR车辆目标数据和背景杂波数据检验了所提特征的鉴别性能,并与Hausdorff维数的鉴别性能做了比较,结果显示间隙度特征具有较好的鉴别性能,可以去除大部分的自然地物虚警和非车辆类人造目标干扰,鉴别虚警率较低. 相似文献
3.
船只检测是实现船只航行安全的重要措施之一,利用SAR图像可实现船只检测。然而,传统的一些方法一般容易受到SAR图像斑噪的影响,在检测结果中产生大量的虚警。为解决这一问题,本文提出了一种基于引力场增强的舰船检测方法。该方法利用像素与其邻域内像素的相互作用可对目标像素增强的效应,有效地抑制了斑噪像素和背景像素的强度,凸显了目标。由于增强后的像素已经不满足对海面区域的均质性假设,因此直接使用恒虚警检测算法对图像进行全局检测并不能够得到很好的效果,据此本文引入了一个基于均质区域自适应分割的改进的K-CFAR检测算法,将图像分割为不同大小的一系列均质区域,并分别对各个均质区域使用一个改进的K-CFAR检测器对船只目标进行检测。最后,使用Radarsat-1数据和Envisat ASAR数据对本文算法进行了验证。实验表明,本文提出的方法能够有效地凸显弱目标,增加检测准确性,降低检测的虚警概率。 相似文献
4.
提出了一种基于压缩感知(compressed sensing,CS)和恒虚警率(constant false alarm rate,CFAR)目标检测算法,用于合成孔径雷达(synthetic aperture radar,SAR)图像的目标检测。针对传统的均值类和有序统计量类CFAR目标检测算法,首先对每个局部滑窗的背景杂波像素利用压缩感知进行重建,以此来降低SAR图像相干斑现象的影响,然后利用重建后的数据进行杂波分布参数的估计,并利用CFAR检测器进行目标检测。在真实的SAR图像中证明了上述目标检测算法的有效性。 相似文献
5.
舰船目标快速检测是星载合成孔径雷达的重要应用之一,也是SAR星上处理首先发展的应用方向.目前SAR舰船快速检测普遍使用的图像恒虚警(CFAR)检测方法中,低虚警一直是研究的重点,多通道SAR中舰船目标存在多通道虚假目标,进一步增加了虚警剔除的难度.为此,本文提出了一种基于置信度计算和SVM判别的低虚警CFAR(Cons... 相似文献
6.
合成孔径雷达（SAR）成像系统的热噪声和海杂波严重影响SAR图像自动目标检测的性能,去噪和均匀背景杂波是提高SAR图像目标检测性能的重要课题。根据SAR图像噪声功率一般存在于信号小尺度,没有跨尺度特征,而目标信号的边缘具有跨尺度的特点,本文提出了一种多尺度积信号增强和去噪的SAR图像船舰目标检测算法。本算法对SAR图像进行小波变换,应用多尺度积在小波域增强SAR图像船舰信号和均匀背景杂波,再对SAR图像进行目标检测。ERS SAR图像用于验证本文算法。仿真实验结果表明,新算法同传统的双参数CFAR检测算法、基于K-分布背景杂波的检测算法以及基于小波软阈值增强的检测算法相比,在虚警数和品质因数性能指标上均优于后几种检测算法。 相似文献
7.
提出一种优化的极化SAR图像海面目标检测方法,结合改进的极化SAR四分量分解中的螺旋散射分量与Wishart分类器,充分利用极化散射特性、结构特征、统计特性来进行目标的自动检测。同时通过纹理特征相似性克服了Wishart分类器在无目标海域检测时容易将强度值较高的海杂波误认为目标的缺陷。采用美国无人机UAVSAR在Mexico海域和巴拿马Barro Colorado Island海域获取的两组L波段全极化数据进行实验验证。实验结果表明:文中的优化方法能够较准确检测海面目标,很好地降低虚警率;同时解决了Wishart分类器在无目标海域发生错检的问题。 相似文献
8.
一种新的SAR图像船只检测方法 总被引：7，自引：1，他引：7
提出一种新的基于恒虚警率(CFARConstantFalseAlarmRate)技术,确定SAR图像中检测船只整体阈值的方法。该方法采用高斯分布(正态分布)作为SAR图像灰度的概率密度函数,由CFAR技术直接导出用于检测船只整体阈值的计算公式,用记数滤波器滤波去除虚警。该算法避免了复杂公式迭代和求解形状参数计算过程,也避免了用二分法寻找阈值的循环解算过程,提高了检测速度。使用XSAR和ERSSAR图像对该算法进行检验,并与其它算法进行比较,结果显示所提出的算法在检测精度和检测速度上都有明显的改进。 相似文献
9.
10.
11.
混合智能优化算法的SAR图像特征选择 总被引：1，自引：0，他引：1
为提高SAR图像自动目标识别的准确率及实时性,提出了一种基于混合智能优化的SAR图像特征选择算法。首先,采用分形特征对SAR图像进行增强,基于分割后的图像提出了一种基于图像矩的方位角估计方法。然后基于未校正和校正后的图像分别提取Zernike矩、Gabor小波系数和灰度共生矩阵构成候选特征集合,使用遗传算法结合二值粒子群的混合优化算法实现SAR图像特征选择。最后,采用MSTAR数据库验证本文算法的有效性。实验结果表明,优化后的特征集合具有一定泛化能力,一方面提高了SAR目标识别的准确率,另一方面减小了SAR图像目标识别的时间。 相似文献
12.
目前的目标融合检测方法大都是基于多源遥感图像配准的,然而在实际的应用中,成像机理不同的多源遥感图像的精校正和图像间的配准是十分复杂的,难以确保其配准精度.为此,本文提出了一种基于目标关联的多源卫星遥感图像的兵营融合检测方法.该方法不对图像进行配准,而是根据单源图像的目标自动检测结果,利用图像的大地坐标信息,截取包含目标的同一地区的局部遥感图像,再分别提取多源遥感图像目标的特征,并根据其中冗余的特征,对提取的目标区域建立关联,再由关联检验确保特征关联的正确性,最后对目标特征进行融合决策,得到目标融合检测结果.实验结果表明,该方法能有效地利用多源遥感图像的信息,降低遥感图像目标检测的误判率,提高目标特征的准确度. 相似文献
13.
14.
提出了一种基于正则化方法的SAR图像边缘检测算法,并用MSTAR(moving and stationary target acquisitions and recognition)数据进行大量的仿真实验。实验表明,与经典的边缘检测方法相比,该方法能保持图像的细节特征,较好地解决了边缘断裂和抗噪问题,具有较好的边缘检测能力。 相似文献
15.
传统的多视角SAR图像集合对于目标姿态角具有高度敏感性,因此在用于目标识别时存在一些不足之处。针对该问题提出一种多视角SAR图像的静态建模方法,它将来自一个目标多个视角下的图像信息集成到一个综合的数据结构中,并且该数据结构与目标散射中心有关而与角度无关。然后利用静态模型对不完全姿态角的目标数据进行静态建模,利用模板匹配法对输入多视角图像进行目标识别。理论分析和仿真结果表明,本方法在每个目标只有少量姿态角模板数据可用的情形下比传统模型具有优势。 相似文献
16.
基于SIFT的多时相星载SAR图像特征点自动匹配 总被引：2，自引：0，他引：2
SAR图像配准是实现多时相图像监测的前提,但是由于SAR图像的斑点噪声、成像机理的特殊性,使得采用常规的特征匹配方法很难实现SAR图像的自动配准。本文在介绍旋转尺度不变特征(SIFT)提取特征点原理的基础上,利用SIFT方法对两个时相星载SAR图像存在不同的旋转角和分辨率存在差异进行了特征点提取和自动匹配试验,图像特征点自动匹配的有效率达到70%以上,结果表明提取SIFT特征点进行多时相SAR图像自动匹配是基本可行的。 相似文献
17.
18.
PCA、ICA和Gabor小波决策融合的SAR目标识别 总被引：2，自引：0，他引：2
提出了一种基于主成分分析(PCA)、独立分量分析(ICA)和Gabor小波决策融合的合成孔径雷达SAR(Synthetic Aperture Radar)图像目标识别方法。首先用PCA、ICA和Gabor小波变换分别对SAR目标图像提取特征向量,再用3个支持向量机分类器分别对3种方法提取得到的特征向量分类,通过基于等级的决策融合方法对3个支持向量机分类器的输出进行决策融合,得到最终类别决策结果。采用MSTAR数据库中3个目标进行识别实验,实验结果表明,PCA、ICA和Gabor小波决策融合后得到的识别率高于单独用其中任何一个特征得到的识别率。因此,该方法可提高目标的正确识别率,是一种有效的SAR图像目标识别方法。 相似文献
19.
根据高分辨率SAR图像上建筑区的影像特征, 提出了基于灰度共生矩阵(gray-level cooccurrence Matrix, GLCM)纹理分析的建筑区提取方法, 该方法由初步定位和边界调整2个步骤组成, 均遵循特征计算、基于Bhattacharyya距离的特征选择和KNN分类流程, 所不同的是2个步骤中分别采用了逐块和逐点计算纹理特征的方式以兼顾纹理分析的效率和准确性。文中对不同SAR传感器获取的图像进行了实验。实验结果表明, 选用具有最大Bhattacharyya距离值的3或4个特征可以获得较好的初步定位结果, 建筑区的检测率超过80%, 虚警率低于10%；随着边界调整的进行, 检测到的建筑区边界逐渐接近于真实边界。实验结果验证了该算法的有效性。 相似文献
20.
根据高分辨率SAR图像上建筑区的影像特征, 提出了基于灰度共生矩阵(gray-level cooccurrence Matrix, GLCM)纹理分析的建筑区提取方法, 该方法由初步定位和边界调整2个步骤组成, 均遵循特征计算、基于Bhattacharyya距离的特征选择和KNN分类流程, 所不同的是2个步骤中分别采用了逐块和逐点计算纹理特征的方式以兼顾纹理分析的效率和准确性。文中对不同SAR传感器获取的图像进行了实验。实验结果表明, 选用具有最大Bhattacharyya距离值的3或4个特征可以获得较好的初步定位结果, 建筑区的检测率超过80%, 虚警率低于10%；随着边界调整的进行, 检测到的建筑区边界逐渐接近于真实边界。实验结果验证了该算法的有效性。 相似文献